Kemungkinan mesin elektrik rosak pada bila-bila masa tidak dapat diabaikan. Antara faktor-faktor kerosakan mesin elektrik ialah haus dan lusuh, keadaan operasi yang tidak normal, kemerosotan komponen motor, dan sebagainya. Oleh itu, pengesanan kerosakan mesin elektrik pada peringkat awal adalah penting untuk mencari sumber masalah dan menyelesaikannya sebelum masalah menjadi semakin teruk. Terdapat banyak cara bagi pengesanan kerosakan mesin elektrik, termasuknya penganalisis parameter elektrik (arus elektrik dan voltan), getaran mekanikal, dan ciri-ciri mesin yang lain. Dalam projek ini, perhatian telah ditumpukan pada pengesanan kerosakan mesin elektrik dengan teknik termografi. Kemanfaatan pengunaan thermografi ialah teknik ini tidak berinteraksi dengan mesin secara langsung semasa pemeriksaan. Teknik ini hanya menangkap radiasi inframerah yang dikeluarkan oleh mesin itu. Biasanya, keadaan yang tidak normal menyebabkan kenaikan suhu dan seterusnya titik haba pada komponen mesin seperti belitan stator, rotor, penutup dan sebagainya. Jadi, dengan mencari titik haba yang bermuncul pada mesin elektrik, juruteknik dapat mengesan sumber masalah awal dan membaikinya. Perisian MATLAB telah digunakan untuk mencapai objektif ini. MATLAB telah menyediakan peralatan-peralatan pemprosesan imej yang dapat mengesan titik haba dalam imej terma. Dua algoritma telah dipilih untuk perbandingan dalam projek ini, Otsu multithresh dan k-means clustering. Prestasi kedua-dua algoritma itu telah diukurkan dengan pengiraan Dice and Jaccard indeks. Masa yang diambil oleh setiap algoritma juga direkod dan dibandingkan. Selain itu, ujian Mann-Whitney telah dilaksanakan untuk perbandingan kedua-dua data set itu. Dari segi ketepatan, k-means clustering algoritma merupakan pilihan yang lebih baik dalam pengesanan titik haba dalam termografi.
_______________________________________________________________________________________________________
Electrical machines are susceptible to failure at any point of time, due to numerous factors such as wear and tear, abnormal operating conditions, material fatigue and et cetera. Therefore, it is important to detect fault at early stages so that the source of problem can be identified and fixed before the condition worsens. Different methods for fault diagnosis were developed in order to assess the condition of an electrical machine, including analysing electrical parameter, vibration, and mechanical properties. In this project, emphasis is placed on diagnosing electrical machines using thermography. The advantage of utilizing thermal imaging in fault detection is that the method is non-invasive, as it does not interact directly with the machine in inspection, rather it captures the infrared radiation emitted. Abnormal conditions in general lead to unwanted hotspot in the windings, wirings, or the casing of the machine. Thus, by identifying any hotspot appearing on any parts of the machine in the thermal images, the responsible technician can be alerted to a potential failure and pre-emptive measures can be taken. To identify the hotspot in an automated fashion, MATLAB is used. The image processing toolbox provided by MATLAB has different algorithms for this purpose. Two methods were compared, which were: Otsu multithresh and K-means clustering. Dice and Jaccard indices were calculated to measure the performance of these two algorithms. The running time for each algorithm was recorded and compared too. Then, Mann-Whitney test was carried out to compare the two sets of data. In terms of accuracy, k-means clustering algorithm is a better choice in detecting hotspot in the thermal images.